AI 求职助手

基于阿里云 DashScope（通义千问）的多智能体 AI 求职助手。

上传简历 PDF + 职位描述，自动完成 ATS 评分、简历优化、面试题生成，中文输出结构化分析报告。支持历史记录、分享链接、进度追踪。

技术栈

层	技术
LLM	阿里云 DashScope — qwen-turbo / qwen-plus（三级模型分配）
LLM 封装	LangChain（ChatPromptTemplate + BaseChatModel + LCEL）
编排	LangGraph 状态图工作流（两层并行执行）
后端	Python 3.11+ / FastAPI / Pydantic / SQLite
前端	Next.js 15 (App Router) / TailwindCSS / React 19
PDF	PyMuPDF
浏览器	Playwright（JS 渲染页面抓取，可选）

项目结构

AI_Job_Copilot/
├── backend/
│   ├── agents/               # 5 个 Agent（全部 LangChain 封装）
│   │   ├── llm.py             #   DashScopeChatModel（LangChain BaseChatModel）
│   │   ├── resume_parser.py  #   简历解析（PDF → 结构化 JSON，qwen-turbo）
│   │   ├── jd_analyzer.py    #   职位分析（JD → 关键词/技能/级别，qwen-turbo）
│   │   ├── ats_scorer.py     #   ATS 评分（0-100 + 四维拆解，qwen-plus）
│   │   ├── rewrite_agent.py  #   简历改写（ATS 关键词优化，qwen-plus）
│   │   └── interview_agent.py#   面试题生成（行为/技术/情景/缺口，qwen-plus）
│   ├── workflows/
│   │   ├── state.py          #   PipelineState（支持并行写入）
│   │   ├── graph.py          #   LangGraph DAG（两层并行）
│   │   └── progress.py       #   进度追踪（后台线程 + 前端轮询）
│   ├── schemas/              #   Pydantic 数据模型（6 组，全部中文输出）
│   ├── tools/                #   PDF 解析 + JD 抓取（4 层策略链）
│   ├── api/
│   │   ├── main.py           #   FastAPI 应用（分析 + 历史 + 进度）
│   │   └── debug_routes.py   #   调试端点（5 端点，逐个测试 Agent）
│   └── core/                 #   配置加载 + 日志 + SQLite 持久化
├── frontend/
│   └── src/
│       ├── app/page.tsx      #   主页面（上传 + 进度 + 结果 + 历史，中文 UI）
│       ├── components/       #   UI 组件（评分盘、技能标签、改写卡）
│       └── lib/              #   API 客户端 + 类型定义
├── tests/                    #   5 个阶段测试脚本
├── run.py                    #   后端启动入口
├── pyproject.toml
├── README.md
└── PROJECT_REFERENCE.md      #   详细函数级参考文档

工作流

两层并行执行，总耗时约 1 分钟：

              START
              ┌───┴───┐
              ↓       ↓
        parse_resume  analyze_jd     ← L1 并行（qwen-turbo + qwen-turbo）
              └───┬───┘
                  ↓
              score_ats              ← qwen-plus
              ┌───┴───┐
              ↓       ↓
           rewrite  interview        ← L2 并行（qwen-plus + qwen-plus）
              └───┬───┘
                  ↓
          aggregate_report
                  ↓
                 END

快速开始

1. 环境变量

DASHSCOPE_API_KEY=sk-your-key-here
MODEL_NAME=qwen-plus
MODEL_NAME_SIMPLE=qwen-turbo
MODEL_NAME_COMPLEX=qwen-plus

2. 后端

uv sync
python run.py --port 8000
# API 文档: http://localhost:8000/docs

3. 前端

cd frontend && npm install && npm run dev -- --port 3001
# 访问: http://localhost:3001

4. 安装 Playwright（可选）

uv add playwright
playwright install chromium

不装也能用，JS 渲染网站的链接需要手动粘贴 JD 文本。

5. 测试

uv run python tests/test_phase1.py              # 配置 + DashScope 连通
uv run python tests/test_phase2.py              # JD 分析 + ATS 评分
uv run python tests/test_phase3.py              # 简历改写 + 面试题
uv run python tests/test_phase4.py              # 全流程 LangGraph
uv run python tests/test_phase5.py              # FastAPI 端点

API 端点

分析流程

方法	路径	说明
POST	/analyze	上传 PDF + JD，返回 session_id
GET	/progress/{id}	轮询分析进度（5 步）
GET	/result/{id}	获取分析结果

历史记录

方法	路径	说明
GET	/history	列出所有历史记录
GET	/history/{id}	获取单次分析完整结果
DELETE	/history/{id}	删除记录

调试端点

方法	路径	说明
POST	/debug/parse-resume	仅 PDF → 简历 JSON
POST	/debug/analyze-jd	仅 JD 文本/URL → JD JSON
POST	/debug/score-ats	PDF + JD → ATS 评分
POST	/debug/rewrite	PDF + JD → 简历改写
POST	/debug/interview	PDF + JD → 面试题

Agent 详情

Agent	主力模型	重试模型	输入	输出
Resume Parser	qwen-turbo	qwen-plus	PDF 文本	技能/经历/项目/学历 JSON
JD Analyzer	qwen-turbo	qwen-plus	JD 文本/URL	必备技能/加分技能/关键词/级别
ATS Scorer	qwen-plus	qwen-plus	简历 JSON + JD JSON	0-100 分 + 四维拆解 + 匹配/缺失技能
Rewrite Agent	qwen-plus	qwen-plus	简历 + JD + ATS	优化 bullet + 技能缺口计划
Interview Agent	qwen-plus	qwen-plus	简历 + JD + ATS	行为/技术/情景/缺口面试题

每个 Agent 均使用 LangChain LCEL 模式：

model = DashScopeChatModel(model="qwen-plus")
chain = ChatPromptTemplate.from_template(EXTRACTION_PROMPT) | model | StrOutputParser()
raw_output = chain.invoke({"resume_text": text})

• DashScopeChatModel — 继承 BaseChatModel，将 DashScope API 封装为 LangChain 原生模型
• JSON 解析失败自动重试（最多 2 次，用更强模型修复）
• 结构化日志（@log_agent_execution 装饰器，记录耗时和状态）
• Pydantic 输出强校验（None 自动兜底为空字符串）
• 全部中文输出（技能名保留原文）

JD 链接抓取策略

按优先级依次尝试：

1. <script> 标签内嵌数据提取（JSON-LD / SPA 状态变量）
2. HTML 纯文本提取
3. Playwright 无头浏览器渲染
4. 返回中文错误提示，建议手动粘贴 JD 文本

主要特性

• 进度追踪：后台管道执行，前端每 1.5s 轮询进度，5 步逐一亮对勾
• 历史记录：SQLite 持久化所有分析结果，支持查看和删除
• 分享链接：一键复制分享链接，他人打开直接查看分析结果
• 完整展示：改写建议和面试题全部展示，分类 Tab 切换，支持展开/折叠
• 两层并行：L1（简历+JD）和 L2（改写+面试）并行执行，总耗时约 1 分钟
• 模型分级：turbo → simple，plus → complex，按任务复杂度分配

优化历程

版本	改动	耗时
v1.0	串行 + qwen-max	~211s
v1.1	L2 并行（rewrite + interview）	~140s
v1.2	L1 并行 + 模型分级（turbo / plus）	~67s

设计原则

• 模块化：每个 Agent 可独立测试、独立部署
• 可观测：每个节点独立计时、独立日志，调试端点逐级排查
• 容错：任意节点失败 → 跳过后续 → 返回已有结果 + 错误阶段
• 安全：所有密钥从 .env 读取，零硬编码
• 确定性：Pydantic 强校验 + 字段级 None 兜底 + JSON 修复重试
• 中文优先：LLM 输出、前端 UI、错误提示全部中文